排序方式: 共有23条查询结果,搜索用时 31 毫秒
1.
岗察岩体位于秦岭、祁连、昆仑和松潘—甘孜造山带交会部位,属西秦岭成矿区,为秦岭造山带的重要组成部分。运用H、O、S同位素示踪手段对岗察岩体内江里沟、双朋西、谢坑3个矿床的成矿流体进行研究。结果表明,上述3个矿区样品的δ18O(H2O)大部分落在岩浆水范围,因此O同位素具有岩浆水特征,推测3个矿区的流体均来自发生过脱气作用的岩浆,但成矿作用发生在浅部。研究区δ34S值集中在-3.8‰~0.9‰之间,与多数岩浆岩δ34S值的范围-5‰~5‰相近,说明3个矿床的硫均为岩浆来源,即成矿物质主要来源于岩浆。总体δ34S江里沟>δ34S双朋西>δ34S谢坑,这种差异可能与岗察岩体岩浆演化有关。3个矿床的δ34S平均值均接近正常地幔硫的范围-1‰~1‰,暗示硫源可能有深源岩浆的参与。 相似文献
2.
3.
4.
基于深度学习的强对流高分辨率临近预报试验 总被引:1,自引:0,他引:1
强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率(POD)、虚警率(FAR)、临界成功指数(CSI)等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。 相似文献
5.
初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。 相似文献
6.
7.
8.
京津冀地区一次中-β尺度对流风暴云砧结构的演变特征 总被引:2,自引:0,他引:2
联合使用新一代多普勒雷达三维体扫资料和静止气象卫星资料,分析了京津冀地区一次中-β尺度对流风暴云砧结构的三维演变特征。以15 dBZ雷达回波为阈值,提出了分析云砧演变过程的三个有效指标:风暴的"高中层面积差"、"高低层面积差"和"低层面积"。在此基础上,将云砧结构的演变过程划分成四个阶段:云砧结构形成期、云砧结构维持期、云砧结构崩溃期和风暴消亡期。雷达和静止卫星观测到的云砧演变特征具有明显的相关性:雷达最大组合反射率因子与IR1通道最低TBB呈显著的相关性,均在云砧结构的形成期或维持期达到极值;极值后,强冷云区(TBB小于-45℃)面积在15 min内就达到峰值,而弱冷云区面积在大约1 h后的云砧崩溃期才达到峰值。 相似文献
9.
在掘进工作面上设计多点电流源双频激电法探测电极布置方式,根据稳定电流场性质,建立多点电流源电场线微分方程,基于变步长四阶五级Runge-Kutta-Felhberg算法,对微分方程组进行求解。定义探测电场空间立体角和电场线边界角概念,分析探测电场平均电流密度随主屏流比系数及距掘进断面距离变化规律,确定聚焦效应探测时主屏流比系的取值范围。同时改变约束屏流比系数和主屏流比系数,分析探测电场偏转角的变化规律及对其影响的主要因素,确定偏转效应探测时约束屏流比系数的取值范围。工业性试验表明:利用该方法进行超前扫描探测,根据视幅频率和视电阻率异常激电效应参量变化规律,能够有效识别工作面前方围岩地质构造特征及低阻含水异常体的方向,但含水异常体距工作面的准确距离和含水量的大小尚需进一步研究。 相似文献
10.
基于数学形态学的三维风暴体自动识别方法研究 总被引:1,自引:1,他引:1
基于雷达数据的风暴体识别、追踪及预警方法是重要的临近预报技术之一,其中准确的风暴体自动识别是进行风暴体自动追踪和预警的前提。在风暴体识别中常会碰到的两个问题是:虚假合并和从风暴簇中分离出相距较近的风暴单体。美国国家大气科学研究中心提出的TITAN(Thunderstorm Identification,Tracking,Analysis,and Nowcasting)算法使用单阈值进行识别,容易将相邻的多单体回波识别为一个风暴体。美国国家强风暴实验室提出的SCIT(Storm Cell Identification and Tracking)算法使用7个反射率因子阈值进行识别,可以较好地分离出风暴簇中的风暴单体,但它直接抛弃了低阈值的识别结果,导致风暴体内部结构信息的丢失。SCIT的这种识别策略可能会使处于初生阶段、强度较低的风暴体被错误地抛弃掉。TITAN和SCIT都无法完全识别出相邻风暴的虚假合并。为了解决这两个问题,文章提出了基于数学形态学的识别方法。该方法首先使用第1级阈值进行单阈值识别;其次,对识别得到的风暴体执行基于动态卷积模板的腐蚀操作,以消除虚假合并;然后,使用高一级阈值进行识别,并对识别得到的风暴体进行膨胀操作,当风暴体的边界在膨胀的过程中相互之间接触,或接触到了原来较低阈值识别的风暴体的边界时,则停止膨胀过程;最后,逐次使用更高级别的阈值进行识别,并在每一级阈值的识别过程中执行腐蚀和膨胀操作。试验结果表明,通过在多阈值识别的过程中综合使用膨胀和腐蚀操作,基于数学形态学的三维风暴体识别方法不仅能够成功地识别出风暴体的虚假合并,同时还能在从风暴簇中分离出相距较近的风暴单体时,尽可能多地保留风暴单体的内部结构信息。 相似文献